Link to this sectionCOCO-Seg Veri Seti#

COCO (Common Objects in Context) veri setinin bir uzantısı olan COCO-Seg veri seti, örnek bölümleme araştırmalarına yardımcı olmak için özel olarak tasarlanmıştır. COCO ile aynı görüntüleri kullanır ancak daha detaylı bölümleme açıklamaları sunar. Bu veri seti, örnek bölümleme görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için, özellikle Ultralytics YOLO modellerini eğitmek adına kritik bir kaynaktır.

Link to this sectionCOCO-Seg Önceden Eğitilmiş Modelleri#

Link to this sectionTemel Özellikler#

• COCO-Seg, orijinal COCO'daki 330 bin görüntüyü korur.
• Veri seti, orijinal COCO veri setinde bulunan aynı 80 nesne kategorisinden oluşur.
• Açıklamalar artık görüntülerdeki her nesne için daha detaylı örnek bölümleme maskelerini içerir.
• COCO-Seg, nesne algılama için ortalama Hassasiyet (mAP) ve örnek bölümleme görevleri için ortalama Duyarlılık (mAR) gibi standartlaştırılmış değerlendirme metrikleri sağlayarak model performansının etkili bir şekilde karşılaştırılmasına olanak tanır.

Link to this sectionVeri Kümesi Yapısı#

COCO-Seg veri seti üç alt kümeye ayrılmıştır:

1. Train2017: Örnek bölümleme modellerini eğitmek için 118 bin görüntü.
2. Val2017: Model geliştirme sürecinde doğrulama için kullanılan 5 bin görüntü.
3. Test2017: Kıyaslama için kullanılan 20K görsel. Bu alt küme için temel doğruluk (ground-truth) ek açıklamaları herkese açık değildir, bu yüzden tahminlerin puanlama için COCO evaluation server adresine gönderilmesi gerekir.

Link to this sectionUygulamalar#

COCO-Seg, YOLO modelleri gibi örnek bölümleme alanındaki derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çok sayıda açıklamalı görüntü, nesne kategorilerinin çeşitliliği ve standartlaştırılmış değerlendirme metrikleri, onu bilgisayarlı görü araştırmacıları ve uygulayıcıları için vazgeçilmez bir kaynak haline getirir.

Link to this sectionVeri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. COCO-Seg veri seti durumunda, coco.yaml dosyası şu adreste tutulmaktadır: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.1 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

Link to this sectionKullanım#

Bir YOLO26n-seg modelini COCO-Seg veri seti üzerinde 640 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

COCO-Seg, selefi COCO gibi, çeşitli nesne kategorilerine ve karmaşık sahnelere sahip çeşitli görüntüler içerir. Ancak COCO-Seg, görüntülerdeki her nesne için daha ayrıntılı örnek bölümleme maskeleri sunar. İşte veri setinden görüntülerin ve bunlara karşılık gelen örnek bölümleme maskelerinin bazı örnekleri:

• Mozaik Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yapma becerisine yardımcı olur.

Bu örnek, COCO-Seg veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını sergiler.

Link to this sectionAlıntılar ve Teşekkür#

COCO-Seg veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen orijinal COCO makalesine atıfta bulun ve COCO-Seg'e yapılan uzantıyı belirt:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Bilgisayarlı görü topluluğu için bu paha biçilmez kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumuna teşekkür ederiz. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edebilirsin.

Link to this sectionSSS#

Link to this sectionCOCO-Seg veri seti nedir ve orijinal COCO veri setinden farkı nedir?#

COCO-Seg veri seti, özellikle örnek bölümleme görevleri için tasarlanmış, orijinal COCO (Common Objects in Context) veri setinin bir uzantısıdır. COCO veri seti ile aynı görüntüleri kullansa da COCO-Seg, daha ayrıntılı bölümleme açıklamaları içerir ve bu da onu nesne örnek bölümleme üzerine odaklanan araştırmacılar ve geliştiriciler için güçlü bir kaynak haline getirir.

Link to this sectionCOCO-Seg veri setini kullanarak nasıl YOLO26 modeli eğitebilirim?#

Bir YOLO26n-seg modelini COCO-Seg veri seti üzerinde 640 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların ayrıntılı bir listesi için model Eğitim sayfasına bakabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Link to this sectionCOCO-Seg veri setinin temel özellikleri nelerdir?#

COCO-Seg veri seti çeşitli temel özellikler içerir:

• COCO veri setindeki orijinal 330 bin görüntüyü korur.
• Orijinal COCO'da bulunan aynı 80 nesne kategorisini açıklar.
• Her nesne için daha ayrıntılı örnek bölümleme maskeleri sağlar.
• Uses standardized evaluation metrics such as mean Average Precision (mAP) for object detection and mean Average Recall (mAR) for instance segmentation tasks.

Link to this sectionCOCO-Seg için hangi önceden eğitilmiş modeller mevcuttur ve performans metrikleri nelerdir?#

COCO-Seg veri seti, farklı performans metriklerine sahip birden fazla önceden eğitilmiş YOLO26 bölümleme modelini destekler. İşte mevcut modellerin ve temel metriklerinin bir özeti:

Bu modeller, hafif YOLO26n-seg'den daha güçlü YOLO26x-seg'e kadar çeşitlilik gösterir ve çeşitli uygulama gereksinimlerine uyum sağlamak için hız ile doğruluk arasında farklı dengeler sunar. Model seçimi hakkında daha fazla bilgi için Ultralytics modeller sayfasını ziyaret edebilirsin.

Link to this sectionCOCO-Seg veri seti nasıl yapılandırılmıştır ve hangi alt kümeleri içerir?#

COCO-Seg veri seti, özel eğitim ve değerlendirme ihtiyaçları için üç alt kümeye ayrılmıştır:

1. Train2017: Öncelikle örnek bölümleme modellerini eğitmek için kullanılan 118 bin görüntü içerir.
2. Val2017: Eğitim sürecinde doğrulama için kullanılan 5 bin görüntüden oluşur.
3. Test2017: Eğitilmiş modelleri test etmek ve kıyaslamak için ayrılmış 20K görseli kapsar. Bu alt küme için temel doğruluk (ground truth) ek açıklamalarının herkese açık olmadığını ve performans sonuçlarının değerlendirme için COCO evaluation server adresine gönderildiğini unutma.

Daha küçük deney ihtiyaçları için, COCO train 2017 setinden sadece 8 görüntü içeren kompakt bir sürüm olan COCO8-seg veri setini kullanmayı da düşünebilirsin.